「智能体评测」共找到 3891 篇相关文章
Agent全自动搭建代码运行环境，实时更新解决评测过拟合/数据污染问题｜微软
长期以来主流代码修复评测基准SWE - bench问题多，制约AI模型能力展现。微软发布SWE - bench - Live，引入新Issue，实现环境自动化构建与更新，打破传统局限，还揭示传统基准过拟合问题。
独家：逐际动力前COO张力加入具身智能大脑初创企业BeingBeyond｜甲子光年
「甲子光年」独家获悉，逐际动力前COO张力今年四月初加入具身智能大脑初创企业BeingBeyond。该公司聚焦模型算法，其Being - H系列模型成果突出。张力加入或使公司向可规模化运转转变。
信息量爆炸！OpenAI内部路线图首次全曝光，首席科学家亲口承认：超级智能10年内到来
OpenAI宣布重组完成后，Sam Altman和首席科学家Jakub Pachocki直播公开内部路线图，称深度学习或10年内实现超级智能，还公布了AI研究目标与时间线，涉及产品、基建等多方面规划。
vivo发布端侧多模态模型，只有3B可理解GUI界面，20项评测表现亮眼
vivo AI Lab发布端侧多模态模型BlueLM - 2.5 - 3B，融合文本与图文能力，支持长短思考模式切换。它在20余项评测中表现出色，参数量小，训练和推理成本低，有精巧结构、高效策略，还有高质量数据和高性能平台支撑。
从「记忆解题」到「深度推理」：港科大推出首个本科数学动态评测基准 UGMathBench
港科大团队发表在 ICLR 2025 的研究 UGMathBench，是首个本科数学动态评测体系。它涵盖 16 个学科领域，通过变量扰动创建多版本试题，引入创新指标评估模型推理能力，测试结果揭示了当前模型短板。
EMNLP 2025 | T2R-bench: 业内「首个」工业级表格生成报告评测基准
中国电信人工智能研究院推出业内首个面向真实工业场景的“表格到报告”基准T2R-bench，涵盖多领域真实表格、问题与人工标注关键点，配套创新性三维度评测体系。实验显示主流大模型在该任务上表现欠佳，提升空间大。
PD 分离推理的加速大招，百度智能云网络基础设施和通信组件的优化实践
为适应PD分离式推理部署架构，百度智能云从物理网络、网络流量、通信组件和算子层面优化，提升上层推理服务性能，展现了网络、组件与业务特征融合的重要性。
如何让Agent更符合预期？基于上下文工程和多智能体构建云小二Aivis的十大实战经验
文章围绕云小二Aivis项目，分析Agent不按预期输出的原因，从预期和技术层面展开。还总结十大优化经验，如清晰预期、精准投喂上下文等，为构建和调优Agent提供参考。
具身智能能力狂飙，安全却严重滞后？首个安全可信EAI框架与路线图出炉！
具身人工智能发展迅速，但能力与安全出现“脱钩”。上海人工智能实验室和华东师范大学团队撰写论文，为“安全可信具身智能”建立理论框架与蓝图，提出成熟度模型、分析框架等。
AI 领域新动向！持续思考模型CTM横空出世：AI 向生物智能迈出重要一步
Sakana AI 推出新型 AI 模型 CTM，重新引入「时间」和「神经元动态」到 AI 计算核心。它有诸多创新，在迷宫探索、图像识别等任务表现出色，虽有训练慢等不足，但为 AI 向生物智能迈进提供新思路。